Creati a partire da intersezione tra risultati di un clustering sul layer di resistività superficiale e la mappa di uso dei suoli
I risultati “grezzi” delle intersezioni vengono processati per ridurre il numero complessivo dei poligoni, utilizzando una tecnica automatica di rimozione degli “sliver”. I settaggi di questo processamento possono essere modificati se si desidera ottenere una maggiore “generalizzazione” (i.e., meno poligoni), a scapito del “contenuto informativo”
Le tabelle associate riportano i valori medi dei punti di campionamento dei suoli (livello topsoil) per il tipo di suolo corrispondente a ciascuna MUZ, più i valori di resistività medi nei tre layers (Cliccate su un poligono per vederli). Ora che il framework é più o meno completo, comunque, diventa abbastanza semplice includere altri dati (es. dati punto campionamento più vicino, dati ricavati da spazializzazione dei punti di campionamento, ecc.) o escludere quelli non necessari. Questa é una cosa da decidere assieme in futuro.
Una cosa che mi é venuta in mente e che potrebbe facilitare l’assegnazione delle MUZ alle classi di idoneità é che potremmo passare dal semplice riporto “numerico” degli attributi dei suoli (es. ph = 5.8, csc = 70, mg = 20,…), ad un riporto più “semantico” (es., “suolo molto acido”, “suolo povero” - vedete per esempio http://www.agraria.unirc.it/documentazione/materiale_didattico/1462_2017_432_26937.pdf - pagina 65).
La procedura di clustering per l’individuazione delle zone é pensata per essere flessibile: In questo caso, ho utilizzato come input i dati di resistività, ma lo stesso algoritmo o un algoritmo simile potrà essere applicato a qualunque dato Raster (magari con qualche modifica che vedremo in futuro). Ad esempio, potrebbe essere utilizzato per creare le MUZ a partire da immagini satellitari per le fertilizzazioni di copertura, o nel caso in cu iinformazioni di dettaglio sulle caratteristiche dei suoli non siano disponibili.
La procedura di riporto delle informazioni relative alle MUZ é pensata per essere flessibile in caso alcuni dati siano mancanti (e.g., non cesiste la mappa dei suoli, o non esistono i dati sui punti di campionamento, oppure si vuole utilizzare solo la mappa dei suoli per creare le MUZ (vedete ultima immagine))
La procedura é già considerevolemente automatizzata, a partire da datasets organizzati secondo gli standard decisi. In futuro andrà però ripulito il codice, mettendo in fila i diversi “pezzi” per permettere una maggiore facilità di utilizzo e possibilmente creare un interfaccia grafica che permetta di utilizzarla facilmente (magari anche permettendo di selezionare facilmente quali datasets vengono utilizzati per il clustering)).
I colori rappresentano il “numero” della MUZ all’interno di ciacun appezzamento. Qui tipicamente abbiamo 2-4 MUZ per appezzamento, tranne dove si intersecano molti tipi di suoli differenti
L’utilizzo della resistività come variabile guida per il clustering permette di evidenziare situazioni di variabilità non evidenti nella mappa dei suoli. In questo caso, ad esempio, vedete come a parità di suolo nel campo siano presenti più zone fortemente diverse come resistività.
L’interserzione del clustering con la mappa dei suoli permette di gestire al meglio queste condizioni:

Il caso di Jolanda é più complesso, a causa della forte eterogeneità delle caratteristiche del suolo e delle grandi dimensioni dei singoli appezzamenti. Il numero di MUZ per appezzamento si mantiene comunque relativamente basso, tranne in casi particolari (es. campo 74 - ma quel campo in realtà sarebbe da “splittare”, secondo me)
Nel caso di Arborea, l’analisi dei dati disponibili ha evidenziato che i limiti delle classi di suolo sembrano essere stati derivati esclusivamente da una “classatura” della resistività. In questo caso, l’ulteriore “suddivisione” dei poligoni in base al clustering sulla resistività può risultare inutile o controproducente. Qui sotto vedete quindi il risultato otenuto utilizzando soltanto i dati della carta dei suoli come dato di input per la creazione delle MUZ